Tiếp theoHướng dẫn tiếp theo
Chú ý nhiều truy vấn
Ngôn ngữ AI
HƯỚNG DẪN AI về ngôn ngữ
Chú ý truy vấn được nhóm
Grouped-Query Attention (GQA) shares key/value heads across groups of query heads.
Nghe hướng dẫn nàyAI thuật lại · ~1 min
Trên trang nàyđọc 1 phút
Tổng quan
The original GQA paper studies this as a tradeoff between multi-head and multi-query attention for decoder inference.
Lặn sâu
The GQA paper proposes grouping query heads so multiple query heads share key/value heads. MHA has one key/value head per query head; MQA shares a single key/value head across all queries; GQA lies between them. The paper evaluates GQA on language modeling and machine translation tasks and reports quality closer to MHA with inference speed closer to MQA in its experiments. It also reports uptraining existing MHA models using about 5% of original pretraining compute. These claims are limited to the paper’s models, tasks and setup.
Triển khai trong thế giới thực
Comparing MHA, GQA and MQA head sharing.
Estimating KV-cache size from the number of query heads and key/value groups.
Reading the paper’s reported quality/speed tradeoff on evaluated language-model tasks.
Reviewing the paper’s uptraining recipe for converting an MHA checkpoint to GQA.
Tương lai của sự chú ý truy vấn theo nhóm
Benchmark head-sharing choices on the target model and hardware. The original paper’s quality/speed results do not establish universal serving speedups or negligible quality loss across all systems.
Đưa nó vào thực tế
Tại sao nó quan trọng
- Tốc độ và tỷ lệ. Quy trình công việc ngôn ngữ có thể di chuyển nhanh hơn mà không làm mất tính nhất quán.
- Truy cập và tiếp cận. Nó mở rộng quyền truy cập vào các ngôn ngữ và phong cách giao tiếp.
- Quyết định rõ ràng hơn. Các nhóm có thể dành nhiều thời gian hơn để đánh giá trong khi quá trình tự động hóa xử lý sự lặp lại.
coi chừng
- Sự thật ảo giác có thể lặng lẽ đi vào báo cáo, luồng hỗ trợ hoặc kết quả nghiên cứu.
- Sự nhạy cảm kịp thời có thể tạo ra kết quả không nhất quán đối với các yêu cầu tương tự.
- Dữ liệu văn bản nhạy cảm có thể bị lộ nếu khả năng kiểm soát quyền truy cập yếu.
Các bước tiếp theo
- Xác định định dạng đầu ra, âm thanh và tiêu chuẩn chất lượng trước khi triển khai.
- Phản hồi mặt đất với các nguồn đáng tin cậy bất cứ khi nào độ chính xác quan trọng.
- Duy trì điểm kiểm tra đánh giá của con người đối với các kết quả đầu ra có mức độ rủi ro cao.
- Theo dõi các kiểu lỗi và đào tạo lại các lời nhắc hoặc quy trình làm việc thường xuyên.
Tiếp tục khám phá
Bản tin miễn phí
Nhận bản tóm tắt AI hàng ngày
Ba câu chuyện AI đã được xác minh vào mỗi buổi sáng các ngày trong tuần, được viết bằng tiếng Anh đơn giản. Miễn phí mãi mãi, không có quảng cáo.
Một email mỗi ngày trong tuần. Hủy đăng ký trong một cú nhấp chuột. Chúng tôi không bao giờ bán hoặc chia sẻ địa chỉ của bạn.
Tự kiểm tra
Take the Grouped-Query Attention quiz
Phản hồi tức thì về mọi câu trả lời và chứng chỉ có thể chia sẻ với ID có thể xác minh sau khi bạn vượt qua khóa học.
Hỗ trợ giáo dục AI miễn phí. AI Understanding là tổ chức phi lợi nhuận 501(c)(3) — không bao giờ có quảng cáo, không có tường phí. Hãy quyên góp
Câu hỏi thường gặp
What is Grouped-Query Attention?
Grouped-Query Attention (GQA) shares key/value heads across groups of query heads. The original GQA paper studies this as a tradeoff between multi-head and multi-query attention for decoder inference.
Trong Chú ý truy vấn theo nhóm, điều gì được chia sẻ giữa một nhóm đầu truy vấn?
GQA giữ các đầu truy vấn riêng biệt nhưng cho phép mỗi nhóm chia sẻ một bộ đầu khóa và giá trị, thu nhỏ bộ đệm KV.
GQA được mô tả tốt nhất là điểm trung gian giữa hai thái cực nào?
Nhiều đầu cung cấp cho mỗi đầu KV riêng; nhiều truy vấn chia sẻ một KV cho tất cả các đầu; GQA nằm giữa một số nhóm KV.
GQA chủ yếu làm cho phần suy luận nào rẻ hơn?
Khoản tiết kiệm được hiển thị tại thời điểm tạo, trong đó việc đọc bộ đệm KV là chi phí băng thông bộ nhớ chiếm ưu thế.
Nếu một mô hình có 32 đầu truy vấn và 8 nhóm KV thì bộ nhớ đệm KV sẽ giảm khoảng bao nhiêu?
32 đầu truy vấn được chia cho 8 nhóm KV dùng chung giúp giảm gần bốn lần số khóa và giá trị được lưu trong bộ nhớ đệm.
What quality/speed tradeoff did the GQA paper report in its experiments?
The GQA paper reports quality closer to multi-head attention (MHA) with inference speed closer to multi-query attention (MQA) in its evaluated tasks. This is an empirical result, not a universal guarantee.
Tiếp tục học hỏi
Hướng dẫn liên quan
Đã chọn thêm hướng dẫn cho chủ đề này